Metai bėga, kai lingvistai įsitraukia į gyvą debatą apie tai, kaip vaikai įgyja kalbą. Kai kurie tvirtina, kad kūdikiai gimsta kaip „tušti voleliai” ir išmoksta kalbą tik per patirtį, tuo tarpu kiti tvirtina, kad kudikių smegenys turi įgimtą mechanizmą, kuris palengvina kalbos įsisavinimą.
Dirbtinio Intelekto modeliai, toki kaip GPT-4, nenuspėjamai neišsprendė šio ginčo. Jų požiūris į kalbos mokymąsi, kuris apima didžiules tekstines duomenų masę iš interneto, skiriasi labai nuo to, kaip jauni vaikai mokosi per jutiminį tyrinėjimą ir sąveiką su pasauliu.
Tačiau Niujorko universiteto mokslininkų komanda siekė pašviesti šią problemą mokydami Dirbtinio Intelekto modelį naudojant vieno vaikuko, vardu Sam, patirtis. Tarp šešių ir dvidešimt penkių mėnesių amžiaus Samas kas savaitę vieną valandą nešiojo ant galvos prikabintą kamerą, fiksuodamas savo vizualinį ir garsinį įvestį, kaip jis žaidė, linksėjo parke ir bendravo su savo katėmis. Įrašytas vaizdas ir transkribuoti garsai tuomet buvo panaudoti mokyti Dirbtinį Intelekto modelį.
Nepaisant riboto mokymo duomenų, Dirbtinis Intelektas modelis parodė pastebimus gebėjimus. Jis mokė atpažinti daiktus ir nustatyti asociacijas su atitinkamomis etiketėmis. Norint patikrinti modelio veiksmingumą, tyrėjai pristatė jam daiktus, su kuriais Samas buvo anksčiau susidūręs, pavyzdžiui, namų kėdė ar viena iš jo žaislų kamuoliukų. Nuostabu, bet modelis teisingai nustatė daiktą iš keturių pasirinkimų sąrašo 62% atvejų, lenkiant atsitiktinio pasisekimo lygį 25%. Be to, Dirbtinis Intelektas modelis taip pat galėjo nustatyti kėdes ir kamuoliukus, su kuriais Samas niekada nebuvo susidūręs.
Nors Dirbtinis Intelektas modelis išmoko apie 40 skirtingų žodžių, jis vis dar neįstūmė iki Samo žodyno ir kalbos gebėjimų pabaigos. Šis atradimas verčia tyrėjus tvirtinti, kad mokymasis tik iš patirties gali pakakti žodžių susieti su daiktais. Tačiau skeptikai lieka skeptiški. Jie kelia klausimus apie modelio gebėjimą mokytis abstrakčių daiktavardžių ar veiksmažodžių ir kelia abejonių dėl lyginimo tarp Dirbtinio Intelekto ir žmogaus kūdikių mokymosi procesų.
Kalbos įsisavinimo paslaptis išlieka, paliekant tyrėjus suilgusiais tęsti savo tyrimus. Tolimesni tyrimai gali atskleisti iki kokio laipsnio patirtis ir įgimtos pažintinės gebėjimai susipina kalbos mokymosi sudėtingame procese.
DUK:
Q: Kas yra GPT-4?
A: GPT-4 yra Dirbtinio Intelekto modelis, mokantis kalbos analizuodamas didelius kiekius teksto duomenų iš interneto.
Q: Kaip Niujorko universiteto mokslininkai išmokė Dirbtinį Intelektą modelį?
A: Mokslininkai išmokė modelį naudodamiesi įrašais ir transkribuotais garso takeliais iš mažo berniuko, vardu Sam, kuris nešiojo ant galvos kamerą, kad užfiksuotų savo patirtis.
Q: Kokias gebėjimas turėjo Dirbtinis Intelektas modelis?
A: Nepaisant riboto mokymo duomenų, Dirbtinis Intelektas modelis galėjo identifikuoti daiktus ir sieti juos su tinkamais etiketėmis.
Q: Kaip gerai Dirbtinis Intelektas modelis pasirodė identifikuojant daiktus?
A: Dirbtinis Intelektas modelis teisingai identifikavo anksčiau matytus daiktus 62% atvejų, lenkdamas atsitiktinio pasisekimo lygį 25%.
Q: Ar Dirbtinis Intelektas modelis išmoko žodžius daiktams, su kuriais Samas niekada nebuvo susidūręs?
A: Taip, Dirbtinis Intelektas modelis galėjo nustatyti daiktus, pavyzdžiui, kėdes ir kamuoliukus, su kuriais Samas niekada nebuvo regėjęs.
Q: Ar Dirbtinis Intelektas modelis atitiko Sama žodyno ir kalbos įgūdžius?
A: Ne, Dirbtinis Intelektas modelis neatitiko Sama žodyno ir kalbos gebėjimų pabaigoje.
Šaltiniai:
– The Economist: www.economist.com
Norėdami išsamiau išnagrinėti šiame straipsnyje aptariamą temą, leiskite įsigilinti į pramonę ir rinkos prognozavimą bei problemas, susijusias su Dirbtinio Intelekto kalbos mokymu ir jo pasekmes pramonei ar produktui.
Dirbtinio Intelekto kalbos mokymo industrija pastaraisiais metais patyrė reikšmingą augimą, skatinamą pažangomis natūralios kalbos apdorojimo ir mašininio mokymosi srityje. Pagal rinkos tyrimų įmonę MarketsandMarkets, globalus išsilavinimo srityje Dirbtinio Intelekto rinkos dydis, įskaitant kalbos mokymo programas, iki 2025 m. turėtų siekti 3,7 mlrd. dolerių, su 47,0% komponuotu metiniu augimo tempu nuo 2020 iki 2025 m. Ši prognozė pabrėžia didėjantį paklausimą dėl AI pagrįstų kalbos mokymo sprendimų.
Viena iš svarbiausių problemų, susijusių su Dirbtinio Intelekto kalbos mokymu, yra ginčas dėl AI modelių efektyvumo lyginant su žmogaus kalbos įsisavinimu. Nors AI modeliai, panašūs į GPT-4, gali apdoroti didelius teksto duomenų kiekius ir mokytis sąsajų tarp žodžių ir daiktų, jų mokymosi būdas skiriasi nuo jaunų vaikų jutiminio tyrinėjimo ir sąveikos. Tai kelia klausimų apie palyginimą tarp AI mokymo procesų ir žmogaus kūdikių mokymosi bei apie tai, kiek tiksliai AI modeliai gali suprasti kalbos subtilumus.
Be to, kyla susirūpinimas dėl AI modelių apribojimų mokant abstrakčių daiktavardžių ir veiksmažodžių, kurie yra svarbūs kalbos vystymosi dalys. Nors tyrime naudotas AI modelis galėjo išmokti apie 40 skirtingų žodžių, jis vis dar neatitiko mažo vaikiko, Samo, žodyno ir kalbos gebėjimų. Tai rodo, kad kalbos mokymosi gali būti įvairių koncepcinių ir kontekstinių nesąmonių, kurias AI modeliams sunkiau suvokti.
Šie atradimai pramonės ar produkto kontekste turi dvišalius poveikius. Viena vertus, AI kalbos mokymo modeliai turi didelį potencialą padėti mokantis kalbą, suvokiant žodžius ir daiktus iš patirties pagrindo. Tai gali būti vertinga švietimo aplinkose, kur AI paremtos kalbos mokymo programos gali papildyti tradicinius metodus, teikdamos individualizuotas ir interaktyvias kalbos mokymo patirtis.
Kita vertus, AI modelių, negalinčių pilnai pakartoti žmonių kalbos įsisavinimo procesų, apribojimai pabrėžia skirtingų mokymosi požiūrių įtraukimą ir žmogaus unikalių pažintinių gebėjimų svarbą. Šie atradimai gali įkvėpti papildomus tyrimus ir plėtrą industrijoje siekiant susieti spragą tarp AI kalbos mokymo modelių ir žmonių kalbos įsigijimo.
Norėdami sužinoti daugiau apie pramonės ir rinkos prognozes, susijusias su AI kalbos mokymu, galite pasikliauti The Economist straipsniu šia tema: The Economist: AI Language Learning.
The source of the article is from the blog elblog.pl